ترکیب الگوریتمی، تکنیک استفاده از الگوریتم ها برای ایجاد موسیقی است.
قرن ها است که برای ساخت موسیقی از الگوریتم ها (یا حداقل قوانین رسمی) استفاده می شود. برای مثال، روشهایی که برای ترسیم صدای پیشرو استفاده می شود، و به تعیین الگوریتمی منجر شود این اصطلاح را می توان برای توصیف تکنیک های تولید موسیقی استفاده کرد که بدون مداخله مداوم انسان اجرا می شوند، به عنوان مثال از طریق معرفی روش های شانس. از طریق کدگذاری زنده و سایر رابط های تعاملی، یک رویکرد کاملاً انسان محور در ترکیب الگوریتمی امکان پذیرساخت.
برخی از الگوریتم ها یا داده هایی که هیچ ارتباط موسیقی فوری ندارند، توسط آهنگسازان به عنوان الهام بخش موسیقی آنها استفاده می شود. الگوریتم هایی مانند فراکتال، مدل های آماری و حتی داده های دلخواه (به عنوان مثال ارقام سرشماری، اندازه گیری های میدان مغناطیسی) به عنوان مواد مبدا استفاده شده اند.
الگوریتم های ترکیبی معمولاً براساس تکنیک های برنامه نویسی خاصی که استفاده می کنند طبقه بندی می شوند. سپس نتایج فرآیند را می توان به موسیقی ساخته شده توسط رایانه و یا موسیقی ساخته شده با کمک رایانه تقسیم کرد. هنگامی که الگوریتم قادر به انتخاب خود در طول فرآیند ایجاد باشد، ممکن است موسیقی توسط رایانه در نظر گرفته شود.
روش دیگر برای مرتب سازی الگوریتم های ترکیبی بررسی نتایج فرآیندهای ترکیبی آنها است. الگوریتم ها می توانند اطلاعات علامت گذاری (نت موسیقی یا MIDI) را برای سازهای دیگر فراهم کنند یا یک روش مستقل از ترکیب صدا (پخش ترکیب به خودی خود). همچنین الگوریتم هایی وجود دارند که هم داده های نمایی و هم ترکیب صدا را ایجاد می کنند.
یکی از روشهای دسته بندی الگوریتمهای ترکیبی، ساختار آنها و نحوه پردازش داده ها است، همانطور که در این مدل از شش نوع تا حدودی همپوشانی دیده می شود:
مدل های ترجمه ای
مدل های ریاضی
سیستم های دانش بنیان
دستور زبان
رویکردهای بهینه سازی
روشهای تکاملی
سیستم هایی که یاد می گیرند
سیستم های ترکیبی
سیستم های یادگیری برنامه هایی هستند که هیچ دانش خاصی در مورد ژانر موسیقی که با آن کار می کنند ندارند. در عوض، آنها مطالب یادگیری را خودشان از روی نمونه مطالبی که کاربر یا برنامه نویس تهیه کرده اند، جمع آوری می کنند. سپس مواد به یک قطعه موسیقی شبیه به مواد نمونه پردازش می شوند. این روش از ترکیب الگوریتمی به شدت با مدل سازی الگوریتمی سبک، بداهه پردازی ماشین و مطالعاتی از قبیل علوم شناختی و مطالعه شبکه های عصبی مرتبط است.مارچینی و پوروینز سیستمی را ارائه کردند که ساختار ضبط صوتی قطعه کوبه ای موزون را با استفاده از خوشه بندی بدون نظارت و زنجیره های مارکوف با طول متغیر فرا می گیرد و تغییرات موسیقی را از آن سنتز می کند.
برنامه های مبتنی بر یک مدل الگوریتمی واحد به ندرت موفق به ایجاد نتایج رضایت بخشی از نظر زیبایی می شوند. به همین دلیل الگوریتم هایی از نوع مختلف اغلب برای ترکیب نقاط قوت و کاهش نقاط ضعف این الگوریتم ها با هم استفاده می شوند. ایجاد سیستم های ترکیبی برای آهنگ سازی زمینه را برای ترکیب الگوریتمی باز کرده و همچنین بسیاری از روش های کاملاً جدید برای ساخت ترکیبات به صورت الگوریتمی را ایجاد کرده است. تنها مشکل عمده در سیستم های ترکیبی پیچیدگی روزافزون آنها و نیاز به منابع برای ترکیب و آزمایش این الگوریتم ها است.
